企业系统是否需要学习的世界模型？关于上下文推理动态的重要性
人工智能
2026-05-13 v1 计算与语言
机器学习
摘要
世界模型使智能体通过内化环境动态来预测其动作效果。在企业系统中，这些动态常由租户特定的业务逻辑定义，这些逻辑在不同部署间且随时间演化，使得基于历史转换训练的模型在部署偏移下变得脆弱。我们提出了一个尚未被世界模型文献所回应的问题：当规则可在推理时读取时，智能体是否仍需要学习它们？我们认为需要的，并且通过实验演示了在转换动态可配置且可读取的场景中，运行时发现补充离线训练，通过将预测 grounded 在活跃系统实例上。我们提出了企业发现智能体，通过读取系统配置而非仅依赖内部化表示来恢复相关转换动态。我们引入CascadeBench，这是一个以World of Workflows评估方法构建的，针对企业级级联预测的推理导向基准测试，涵盖多样化的合成环境，并结合部署偏移评估，表明离线训练的世界模型在分布内表现良好，但随动态变化而退化，而发现导向的智能体通过grounding在当前实例上在偏移下更具鲁棒性。我们的发现表明，在可配置的企业环境中，智能体不应仅依赖固定的内部化动态，而应包含在运行时发现相关转换逻辑的机制。
引用
@article{arxiv.2605.12178,
title = {Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics},
author = {Jishnu Sethumadhavan Nair and Patrice Bechard and Rishabh Maheshwary and Surajit Dasgupta and Sravan Ramachandran and Aakash Bhagat and Shruthan Radhakrishna and Pulkit Pattnaik and Johan Obando-Ceron and Shiva Krishna Reddy Malay and Sagar Davasam and Seganrasan Subramanian and Vipul Mittal and Sridhar Krishna Nemala and Christopher Pal and Srinivas Sunkara and Sai Rajeswar},
journal= {arXiv preprint arXiv:2605.12178},
year = {2026}
}